【地表最强】深度学习环境配置攻略 | 【nvidia-driver】, 【cuda toolkit】, 【cudnn】, 【pytorch】
更新截止到 2023.10.20
本贴为理论，如果想看实战，请移步Pytorch深度学习环境配置 | NVIDIA-driver + Pytorch + miniconda
1.要素：
- linux（ubuntu 22.04）
- nvidia-driver（也叫做 cuda driver）：英伟达GPU驱动，命令：
nvidia-smi - cuda (也叫做 cuda toolkit): 这个必须有。CUDA是NVIDIA创建的一个并行计算平台和编程模型（用这个来跑深度学习），命令:
nvcc -V - cudnn: nvidia开发的深度学习算子库，用于加速训练（新手阶段不装也行，程序照样能跑）
- pytorch： （或者叫torch，是一个东西）深度学习框架
- python
- Anaconda：（或者用阉割版的miniconda）用于创建虚拟环境
2.依赖关系：
显卡 --> driver --> cuda（nvcc -V） --> cudnn & pytorch
1.显卡型号 --决定--> driver版本
nvidia显卡驱动下载网址 （不太全，但能找到常用的显卡驱动）
在这里搜索显卡的型号，可以看到能用的显卡驱动版本并可以下载驱动
nvidia显卡驱动下载网址Ⅱ（更全）
2.driver版本 --决定--> cuda(nvcc -V)版本
cuda和driver版本对应表 （不提供下载）
历代版本cuda下载地址
3.cuda版本决定 --> cudnn版本
cuda和cudnn版本对应表
（点击即可下载对应版本的cudnn）
4.linux版本 & cuda（nvcc -V）版本 --决定--> pytorch型号和版本
5.pytorch型号和版本 --决定--> python的版本
手动分割线-------------------------------------
3.安装线路
- 线路1：2->7->6->5（就用这个）
解释一下，pytorch现在已经集成了cuda toolkit 和 cudnn, 所以我们只需要再安装一个nvidia-driver即可。
总体来说，分为两步，安driver和安pytorch，谁先谁后无所谓。
只装pytorch不装driver的下场：
手动分割线-----------------------------------------------
接下来两种方法已经out了，不是不推荐用，是不能用，用了之后能是能运行，但是一用到cudnn必报错
Could not load library libcudnn_cnn_train.so.8. But I'm sure that I have set the right LD_LIBRARY_PATH
- 线路2：1->3->4->7->6->5 （已被淘汰）
解释一下为什么没有2：因为装cuda的时候会自带一个是否安装对应的最新版本的driver的选项，选yes，就相当于完成了nvidia-driver的安装。
为什么这样更好？
1. 省了一步
2. 不会出现nvcc -V和nvidia-smi里的cuda版本不一致的问题
解释一下为什么要 7->6->5：
因为conda安装pytorch大概率会失败，所以我选择用pip安装。而先安装pip会自带最新版本的python，可能与pytorch要求的python版本不一致，所以我先安装python，再用python自带的pip安装pytorch。再者，先安装anaconda | miniconda，然后一行代码既可以完成虚拟环境的创建又能在虚拟环境种安装python。
- 线路3： 1->2->3->4->7->6->5（已被淘汰）
这样的安装线路，nvidia-smi和nvcc -V的cuda版本可能不一致，但只要牢记pytorch要用的是nvcc -V里面的pytorch版本即可
附一个
常见问题
nvcc -V 与 `nvidia-smi的 cuda 版本的关系
nvcc -V --> runtime cuda
nvidia-smi --> driver cuda
make sure
runtime vuda <= driver cuda
